مستقبل التعلم العميق

أصبح التعلم العميق (DL) "نجمًا" بين عشية وضحاها عندما تغلب لاعب آلي على لاعب بشري في لعبة AlphaGo الشهيرة. لقد تم الاعتراف على نطاق واسع بأساليب التدريب والتعلم في التعلم العميق من أجل "إضفاء الطابع الإنساني" على الآلات. يرجع العديد من إمكانات الأتمتة المتقدمة الموجودة الآن في منصات الذكاء الاصطناعي للمؤسسات إلى النمو السريع للتعلم الآلي (ML) والتعلم العميق تكنولوجيات.

هذه وظيفة المقارنة يناقش برنامج AI و ML و DL الوجود "الشامل" للغة DL في العديد من جوانب الذكاء الاصطناعي - سواء كان ذلك في البرمجة اللغوية العصبية أو تطبيقات الرؤية الحاسوبية. تدريجيًا ، تتغلغل الأنظمة والأدوات والحلول المؤتمتة التي تدعم الذكاء الاصطناعي والتعلم وتستحوذ على جميع قطاعات الأعمال - من التسويق إلى تجربة العملاء ، ومن الواقع الافتراضي إلى معالجة اللغة الطبيعية (NLP) - والتأثير الرقمي في كل مكان.

باحثو فيسبوك يعانون من معضلة الخصوصية

نقدم لك هذه الخدمة ننظر إلى الوراء في 2018 الجدل على الطلب العام بالخصوصية المطلقة للبيانات الشخصية. يتعارض طلب المستهلك هذا بشكل مباشر مع مساعي أبحاث الذكاء الاصطناعي الحالية على Facebook. يحتاج باحثو الذكاء الاصطناعي في Facebook إلى "الحصاد الشامل" للبيانات الشخصية لتدريب خوارزميات التعلم.

يدرك Facebook أن المفهوم اليوتوبي للتشفير من طرف إلى طرف كان بالفعل أسطورة في عالم الأبحاث الذي يبحث عن إجابات من أكوام من البيانات الشخصية. بالنسبة للجهود المستقبلية ، يفكر الباحثون الآن بجدية في تدريب الخوارزميات على "البيانات الميتة" على الأجهزة الفردية بدلاً من جمع البيانات الشخصية على نطاق واسع. في هذه الحالة ، سيقوم مهندسو Facebook بتثبيت خوارزميات تعديل المحتوى مباشرة على هواتف المستخدمين لتجاوز انتهاكات خصوصية البيانات.

في متعدد الذكاء الاصطناعي في المقالة ، يوضح المؤلف العديد من أساليب التعلم الفريدة مثل التعلم تحت الإشراف الذاتي ، و FLS ، وزيادة البيانات المستندة إلى GAB ، والتي قد تنجو من الجدل حول العمر الافتراضي للعديد من منهجيات التعلم العميق.

آخر
السمة المقيدة بشدة للحلول التي تدعم DL هي أن التعلم
لا تزال الخوارزميات غير قادرة على تقديم أسباب مفصلة لاختياراتها ، والتي يمكن
استفزاز المستخدمين لقبول القرارات التي توفرها أدوات الذكاء الاصطناعي بشكل أعمى ثم إعدادها
تفسيرات "وهمية" لأي إجابة مرفوضة. هذا ليس مشجعا جدا ل
حلول دعم القرار!

دمقرطة التعلم العميق في خمس إلى 10 سنوات

اقترح المطلعون على صناعة الذكاء الاصطناعي ذلك لسنوات عديدة بيئة ML بأكملها يجب إضفاء الطابع الديمقراطي عليها. ستصبح أدوات DL جزءًا قياسيًا من مجموعة أدوات المطور. ستحمل مكونات DL القابلة لإعادة الاستخدام ، والمدمجة في مكتبات DL القياسية ، خصائص التدريب لنماذجها السابقة لتسريع التعلم. مع استمرار أتمتة أدوات التعلم العميق ، هناك خطر متأصل من أن التكنولوجيا سوف تتطور إلى شيء معقد للغاية بحيث يجد المطور العادي نفسه جاهلاً تمامًا.

تنبؤات جديدة حول التعلم العميق

خارج ال أعلى 10 توقعات حول الميل العميق في عام 2022 ، إليك بعض الأشياء التي تستحق المشاهدة هذا العام:

• نماذج هجينة متكاملة
• استخدام DL في علم الأعصاب
• شبكات الخصومة العامة (GAN)
• استخدام ذكاء الحافة
• البرمجة اللغوية العصبية في المستوى التالي

تطبيقات التعلم العميق للحاضر والمستقبل

كانت Google رائدة في المطاردة التعلم العميق في التسويق. هز استحواذ Google على DeepMind Technologies عالم الأعمال. تتمثل مهمة Google في جعل DL حلاً جادًا لمسوقي البحث المهتمين بتحسين محركات البحث. 

يتمثل اتجاه التطبيق الأكثر بروزًا في العالم الحقيقي لتقنيات وأدوات تعلم الآلة في أنها بدأت في تحويل نشاط تجاري واحد في كل مرة "من روبوتات المحادثة والوكلاء الرقميين في CRM إلى عروض توضيحية مدعومة بالواقع الافتراضي (VR)." يجب أن تثبت تقنيات تعلم الآلة المستقبلية ، والتي تشمل التعلم التعلمي ، التعلم من مواد تدريبية محدودة ، ونقل التعلم بين السياقات ، والتعلم المستمر ، والقدرات التكيفية لتبقى مفيدة.

تم استخدام تقنية التعلم العميق القوية عدة مرات في التطبيقات الشائعة مثل التعرف على الكلام والوجه أو تصنيف الصور. تتضمن التطبيقات وحالات الاستخدام الأكثر حداثة الكشف عن الأخبار المزيفة والنماذج التنبؤية للرعاية الصحية والتوليد التلقائي للصور وخط اليد.

الاتجاهات المستقبلية باختصار

بعض الاتجاهات الأولية التي تنقل التعلم العميق إلى المستقبل
هي:

• يوضح النمو الحالي لأبحاث DL وتطبيقات الصناعة وجودها "الشامل" في كل جانب من جوانب الذكاء الاصطناعي - سواء كان ذلك NLP أو تطبيقات الرؤية الحاسوبية.
• مع الوقت وفرص البحث ، قد تقدم طرق التعلم غير الخاضعة للإشراف نماذج تحاكي السلوك البشري عن كثب.
• سيستمر التضارب الواضح بين قوانين حماية بيانات المستهلك والاحتياجات البحثية لأحجام كبيرة من بيانات المستهلك.
• تعتبر قيود تقنية التعلم العميق في القدرة على "التفكير" عائقًا أمام أدوات دعم القرار المؤتمتة.
• استحواذ Google على DeepMind Technologies يبشر بالخير لجهات التسويق العالمية.
• يجب أن تثبت تقنيات ML و DL المستقبلية التعلم من مواد تدريبية محدودة ، وأن تنقل التعلم بين السياقات ، والتعلم المستمر ، والقدرات التكيفية لتبقى مفيدة.
• إذا تقدمت أبحاث تكنولوجيا التعلم العميق بالوتيرة الحالية ، فقد يجد المطورون أنفسهم قريبًا متجاوزين وسيضطرون إلى تلقي تدريب مكثف.

هل أنت مهتم بمهنة في التعلم العميق؟

اعتمادًا على ما إذا كنت مبتدئًا بالكامل أو لديك خبرة بالفعل في مجالات علوم البيانات الأخرى ، قد تكون على دراية ببعض هذه نصائح مفيدة لبدء مهنة في التعلم العميق:

• استكشف المجال الواسع للتعلم العميق وقلص مجال تركيزك.
• مع وضع مجال تركيز محدد في الاعتبار ، فإن الخطوة التالية هي تنمية لغات البرمجة ذات الصلة. على سبيل المثال ، إذا كان مجال تركيزك هو خوارزميات ML ، فإن تطوير مهارات لغة Python سيكون مفيدًا.
• من المهم بنفس القدر صقل مهاراتك التحليلية باستمرار. لهذا ، قد تحتاج إلى مراجعة مواقع التدريب ومحاولة التدريبات الخاصة بهم.
• أخيرًا ، قد تؤدي مراجعة الأوصاف الوظيفية الفعلية في مواقع العمل إلى تعزيز معرفتك بأدوار ومسؤوليات التعلم العميق.

الصورة المستخدمة بموجب ترخيص من Shutterstock.com

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
• المصدر https://www.dataversity.net/the-future-of-deep-learning/